К основному содержанию
скилл CX Codex

tao-validate-dataset-format — скилл для Claude Code: проверка

Гоняет tao-daft validate по датасету NVIDIA TAO DAFT и объясняет ошибки структуры, схемы и перекрёстных ссылок.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add NVIDIA/skills --skill tao-validate-dataset-format -a claude-code
Открыть на GitHub

Что делает tao-validate-dataset-format

Скилл подсказывает агенту, как вызвать tao-daft validate для датасета DAFT или дерева таких датасетов. Формат передаётся позиционным подкомандиром, цель — через --path. Слаг формата вроде metropolis-v3.0 или cosmos-reason-v1.0 скилл определяет по маркерам каталогов: meta.json рядом с media/ и text/ — это cosmos-reason-v1.0, а каталог с contextual/ — metropolis-v3.0. Если маркеров нет, спросит вас, а не угадает.

Флаги у каждого формата свои, поэтому скилл сначала смотрит --help, а потом уже выбирает опции. Это правильный подход: имена и флаги меняются между версиями, и список из документации устареет раньше, чем вы его прочитаете. Запуск завершается блоком VALIDATION RESULTS и строкой ✅ VALIDATION PASSED или ❌ VALIDATION FAILED, при провале код возврата ненулевой — можно смело вставлять в скрипт.

Нужен Python 3.10+ и пакет nvidia-tao-daft (pip install nvidia-tao-daft); хватит самого wheel, исходный репозиторий не требуется. Скилл работает только с DAFT: COCO, YOLO и Data Factory JSONL он не проверяет, для них есть отдельные скиллы конвертеров. tao-daft info и tao-daft convert тоже вне его зоны. На больших деревьях вывод бывает объёмным, так что скилл советует писать его в файл и читать частями.

Какие задачи решает

  • проверить датасет DAFT на ошибки схемы перед обучением
  • поймать битые перекрёстные ссылки внутри дерева датасетов
  • определить формат DAFT по структуре каталогов
  • встроить валидацию в CI с падением на предупреждениях
  • разобраться, почему tao-daft validate ругается на аргументы

Примеры запросов агенту

  • проверь мой DAFT-датасет в /data/daft через tao-daft validate
  • валидируй дерево датасетов, формат определи сам по маркерам каталогов
  • прогони tao-daft validate со строгим режимом, чтобы предупреждения валили сборку

Как установить tao-validate-dataset-format

1Через Skills CLI (Vercel)

npx skills add NVIDIA/skills --skill tao-validate-dataset-format -a claude-code

2Вручную: положить файлы

~/.claude/skills/tao-validate-dataset-format/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/tao-validate-dataset-format/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о tao-validate-dataset-format

Как установить tao-validate-dataset-format в Claude?

Выполните npx skills add NVIDIA/skills --skill tao-validate-dataset-format -a claude-code. Скилл окажется в ~/.claude/skills/tao-validate-dataset-format/SKILL.md.

Что делает tao-validate-dataset-format?

Запускает tao-daft validate для датасета NVIDIA TAO DAFT и разбирает результат: ошибки структуры, схемы и перекрёстных ссылок. Формат выбирает по маркерам каталогов или спрашивает у вас.

Какие датасеты он не проверяет?

Только DAFT. COCO, YOLO и Data Factory JSONL сюда не входят, как и команды tao-daft info и tao-daft convert — для них есть свои скиллы.

Исходный текст

SKILL.md · Apache-2.0
---
name: tao-validate-dataset-format
description: Run `tao-daft validate` to check NVIDIA TAO DAFT datasets for structure, schema, and cross-reference errors. Do
  not use for non-DAFT formats. Use when the user asks to validate a DAFT dataset, check DAFT schema, validate a TAO dataset
  format, or run `tao-daft validate`.
license: Apache-2.0
compatibility: Requires Python 3.10+ and the nvidia-tao-daft package (pip install nvidia-tao-daft).
metadata:
  author: NVIDIA Corporation
  version: "0.1.0"
allowed-tools: Read Bash
tags:
- tao-daft
- dataset
- validation
- schema
---

# Validate a TAO DAFT Dataset

> **Standalone install?** If this session was not initialized by the TAO skill bank plugin, run the `tao-setup` skill first (host preflight, credentials, cross-skill discovery).

## Quick start

```bash
tao-daft validate <format> --path <dataset-or-parent-dir>
```

`<format>` is a positional subcommand (e.g. `metropolis-v3.0`, `cosmos-reason-v1.0`);
`--path` is required. Discover supported formats and per-format flags via
`tao-daft validate --help` and the leaf `--help` (see "CLI conventions" below).

## Preflight
```bash
python -c "import nvidia_tao_daft" 2>/dev/null || {
  echo "MISSING: tao-daft not installed. Run:"
  echo "  pip install nvidia-tao-daft"
  exit 1
}
```

## Quick Start

Discover the installed validator formats before choosing a format slug, then
run validation with the target passed through `--path`:

```bash
tao-daft --version
tao-daft validate --help
tao-daft validate <format> --help
tao-daft validate <format> --path /path/to/daft-dataset
```

## Purpose

Drive `tao-daft validate` against a DAFT dataset (or a tree of them).
The CLI is the spec; the skill picks subcommand + flags and explains
the result.

Trigger when the user mentions "TAO DAFT", "DAFT format", validating a
DAFT dataset, schema/cross-reference errors, or `tao-daft validate`.
Do **not** trigger for non-DAFT layouts (COCO, YOLO, Data Factory JSONL),
or for `tao-daft info` / `tao-daft convert` — those have their own skills.

If the user's opening is ambiguous, run a few `--help` commands first
to ground yourself, then come back and confirm the task.

## Prerequisites

- `nvidia-tao-daft` installed (`pip install nvidia-tao-daft`; the wheel
  is enough, no source repo). Confirm with `tao-daft --version`.
- A DAFT dataset, or a parent directory of them, on local disk.

## Instructions

### CLI conventions

`tao-daft` is nested argparse subcommands. Names and flags drift across
versions, so **discover the current surface from `--help`** rather than
trusting any list in this doc.

1. **Format is a positional subcommand**, not `--format`:
   `tao-daft validate <format> [flags]`. List current formats via
   `tao-daft validate --help`; slugs look like `metropolis-v3.0`,
   `cosmos-reason-v1.0`.
2. **Target is `--path PATH`**, not positional. It accepts a single
   dataset/scene or a parent directory — the validator walks the tree.
3. **Flags are per-format**; run the leaf help, e.g.
   `tao-daft validate metropolis-v3.0 --help`, before choosing them.
   Don't assume a flag from one format exists on another.

So the loop is: `tao-daft --version` → `tao-daft validate --help` →
pick format (infer if unspecified, see below) →
`tao-daft validate <format> --help` → run → interpret.

### Format inference

Use directory markers, not filenames:

- `meta.json` next to `media/` and `text/` ⇒ `cosmos-reason-v1.0`.
- A directory (or nested directories) containing `contextual/`,
  typically alongside `raw/` and `task/` ⇒ `metropolis-v3.0`.
- Neither marker present ⇒ ask the user; do not guess.

### Reading errors

The CLI ends every run with a `VALIDATION RESULTS` block, then
`✅ VALIDATION PASSED` or `❌ VALIDATION FAILED`, and exits non-zero on
failure (safe to chain in scripts).

Output can be large on big trees — capture the full output to a file
and read it in slices rather than scrolling inline.

## Limitations

- Validates DAFT only. Non-DAFT layouts (COCO, YOLO, Data Factory
  JSONL, etc.) belong in the upstream converter skills.
- Supported formats are whatever `tao-daft validate --help` reports
  for the installed version; older slugs may have been retired.
- Covers `validate` only. Defer to the dedicated skills for
  `tao-daft info` and `tao-daft convert`.
- Don't reimplement validation in Python; the CLI is the spec.

## Troubleshooting

- **`tao-daft: command not found`** — wheel not installed in the active
  env. `pip install nvidia-tao-daft`; verify `tao-daft --version`.
- **`error: argument --path is required`** — path passed positionally.
  Move it behind `--path`.
- **`invalid choice: '<format>'`** — slug isn't wired up in this
  version. Re-run `tao-daft validate --help` and pick from the list.
- **Auto-detection (raw type / contextual set) is wrong** — override
  via the format's scope-restriction flag; discover the name from the
  leaf `--help`.
- **CI wants warnings to fail** — add `--strict`.

© NVIDIA Corporation · Apache-2.0 · NVIDIA/skills

Похожие скиллы

Всё по теме «ИИ и ML» →
dataset-curation Seth Hobson Скилл форматирует и проверяет датасеты для дообучения моделей. Пригодится перед запуском SFT или обучения на предпочтениях. CX Codex 2 600установок arize-dataset официальный arize Скилл управляет датасетами Arize и примерами через ax. Он пригодится для тестовых наборов и оценки AI-приложений. 1 100установок wildworld-dataset reason-machines Скилл для работы с датасетом WildWorld: 108M+ кадров из ARPG, 450+ действий, аннотации по кадрам. Пригодится, если вы готовите данные для world modeling. CX Codex +1 782установок validate-data официальный anthropics Проводит аудит аналитических отчётов, SQL-запросов и графиков перед показом стейкхолдерам. Находит ошибки в расчётах, методологии и скрытые искажения данных. CX Codex +1 3 700установок validate-skills Callstack Проверяет скиллы в skills/ по спецификации agentskills.io и практикам Claude Code. Нужен при создании и ревью набора скиллов. CX Codex +1 7 300установок platform-deploy-validate forcedotcom Прогоняет серверную валидацию метаданных Salesforce до деплоя: ошибки видны, орг не тронут. Для продакшена возвращает job ID для быстрого деплоя. CX Codex +1 3 000установок

Из того же набора178

tao-run-on-slurm Скилл отправляет задания TAO на GPU-кластер SLURM через SSH, sbatch и Pyxis/Enroot. Нужен, когда обучение или инференс должны идти на кластере с общей Lustre-файловой системой. CX Codex +1 1 600установок tao-run-on-kubernetes Отправляет контейнерные джобы TAO в Kubernetes как обычные Job через kubectl. Нужен, когда обучение или инференс надо запускать на EKS, GKE, AKS или своём кластере с GPU. CX Codex +1 1 600установок tilegym-improve-cutile-kernel-perf Пошаговый подбор параметров для ускорения ядер cuTile в репозитории TileGym. Скилл помогает находить узкие места и измерять задержку на видеокартах NVIDIA. CX Codex +1 1 600установок tao-run-inference-service Скилл развёртывает микросервис инференса моделей NVIDIA TAO в контейнере и останавливает его. Пригодится для работы с контрольными точками и отправки запросов к эндпоинту. CX Codex +1 1 600установок tao-train-mask-auto-encoder Скилл для обучения MAE: маскирует случайные патчи и восстанавливает их, чтобы получить визуальные представления. Pretrain и finetune в TAO. CX Codex +1 1 600установок tao-train-single-step Запускает стандартный пайплайн обучения, оценки и экспорта моделей NVIDIA TAO без циклов AutoML. Пригодится для одиночного дообучения на размеченном датасете. CX Codex +1 1 600установок tao-train-centerpose Скилл помогает обучать и запускать модели CenterPose для оценки ключевых точек и 6-DoF-позы объектов. Нужен для работы с обучением, оценкой, экспортом и инференсом. CX Codex +1 1 600установок tao-run-automl-deft-pipeline Скилл связывает три фазы обучения модели: подбор гиперпараметров, цикл DEFT и повторный AutoML на расширенном датасете. CX Codex +1 1 600установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой